【GMIC】大咖眼中我国医疗AI商业化落地的三大阻碍

正文

请到「今天看啥」查看全文

“深度学习很擅长视觉和声音的认知，但是它很难理解深度学习产生的结果背后的理由是什么，比如它得出一个诊断，他知道这是某种肿瘤，它不能给出为什么，它没有推理能力，没有解释的能力。”来自卡内基梅隆大学的 Tom Mitchell教授 这样说道。

深度学习之所以对结果背后的成因无法进行解释，原因便在于深度学习卷积网络中的黑箱问题。深度学习的本质是对大量数据进行不受人为干预的数据特征挖掘，而数据的一些特征是超出人类现阶段理解能力的，这也就是所谓的黑箱。

黑箱对现代医学的强逻辑性产生了巨大的冲击，推导过程的不明也让医生对黑箱内容产生质疑，深度学习在医疗行业的应用与发展一定程度上也因为黑箱问题的存在而受到制约。

-我国医疗数据质量不容乐观-

除了深度学习本身的局限性，在我国医疗领域，作为AI医疗发展基石的医疗大数据在质量上也不容乐观。

“就像十年前我们讨论用数据做知识研究的时候，中国面临一个最大的问题就是中国的数据质量其实做大数据目前是不太可靠的，不可靠的原因就是疾病诊断不对。

以我们拿到的北京中风病人数据为例， 北京能够收中风病人的医院是130家，大概每年住院病人14万人，诊断正确率是72%，另外的28%诊断是错的。 ”，北京天坛医院王拥军院长在GMIC生命科学如是说道。

基于我国目前医疗资源分配不均的特点，医疗欠发达地区的误诊率将远超北京。深度学习需要使用大规模数据进行训练，细微的数据误差均会为深度学习带来负面影响。这样的数据质量不免令人为目前医疗AI做出的结果产生质疑。

另外弓孟春博士提到， 我国医疗大数据的质量低下一方面是因为诊断水平不足造成的高误诊率，另一方面还和我国缺乏规范化标准化的临床术语语义体系有关。 不同医生使用的医学术语不同，只有做好医学术语管理，才能挖掘出医疗大数据背后的真正含义。

请到「今天看啥」查看全文